Mono2D：用于分布外2D超声数据鲁棒膝关节软骨分割的可训练单基因层
图像与视频处理
2025-03-24 v2 计算机视觉与模式识别
摘要
使用即时超声设备和深度学习网络进行自动膝关节软骨分割，有望改善膝骨关节炎的管理。然而，分割算法通常难以应对由超声设备和采集参数变化引起的域偏移，从而限制了其泛化能力。在本文中，我们提出了 Mono2D，这是一种单基因层，它使用可训练的带通正交滤波器提取多尺度、对比度和强度不变的局部相位特征。该层可减轻域偏移，提高对分布外域的泛化能力。Mono2D 被集成在分割网络第一层之前，其参数与网络参数联合训练。我们在多域 2D 超声膝关节软骨数据集上评估了 Mono2D 用于单源域泛化（SSDG）的性能。结果表明，Mono2D 在 Dice 分数和平均表面距离方面优于其他 SSDG 方法。为了进一步评估其泛化能力，我们在多站点前列腺 MRI 数据集上对 Mono2D 进行了评估，其表现依然优于其他 SSDG 方法，凸显了其在改善医学图像域泛化方面的潜力。尽管如此，仍需在多样化数据集上进行进一步评估以验证其临床效用。
引用
@article{arxiv.2503.09050,
title = {Mono2D: A Trainable Monogenic Layer for Robust Knee Cartilage Segmentation on Out-of-Distribution 2D Ultrasound Data},
author = {Alvin Kimbowa and Arjun Parmar and Maziar Badii and David Liu and Matthew Harkey and Ilker Hacihaliloglu},
journal= {arXiv preprint arXiv:2503.09050},
year = {2025}
}
备注
11 pages, removed unrelated LaTeX template figure from last page